Nghiên cứu tác động của tình trạng suy yếu đến các biến cố bất lợi trong thời gian nằm viện ở bệnh nhân cao tuổi mắc hội chứng động mạch vành cấp
Bibliographic record
Abstract
Mục tiêu: Khảo sát tỷ lệ suy yếu theo thang điểm suy yếu lâm sàng của Canada (Clinical Frail Scale - CFS) và mối liên quan với các biến cố bất lợi tại bệnh viện ở người cao tuổi mắc hội chứng động mạch vành cấp. Đối tượng và phương pháp: Nghiên cứu tiến cứu, quan sát, tiến hành trong thời gian từ tháng 02/2021 đến tháng 09/2022, tại Viện Tim mạch Việt Nam, Bệnh viện Bạch Mai. Bệnh nhân trên 60 tuổi, được chẩn đoán hội chứng động mạch vành cấp, được đánh giá tình trạng suy yếu theo thang điểm CFS và theo dõi các biến cố bất lợi trong thời gian nằm viện. Các biến cố bất lợi tại Bệnh viện bao gồm: Tử vong, tai biến mạch não, viêm phổi mắc phải, rối loạn nhịp tim, xuất huyết nặng. Các biến cố lâm sàng thực (Net adverse clinical events - NACE) được định nghĩa là biến gộp của tử vong, tai biến mạch não và xuất huyết nặng. Kết quả: 145 bệnh nhân, độ tuổi trung bình: 72,68 ± 6,28. Tỷ lệ suy yếu là 36,55%. Các bệnh đi kèm phổ biến nhất là tăng huyết áp (80,0%), đái tháo đường (33,10%), suy tim (15,86%), rối loạn lipid máu (13,10%) và tiền sử đột quỵ trước đó (10,34%). So với nhóm bệnh nhân cao tuổi không suy yếu, nhóm cao tuổi suy yếu có nguy cơ cao hơn đáng kể về biến cố bất lợi tại bệnh viện (OR = 2,32; CI 95%: 1,08-5,01) và biến cố lâm sàng thực (OR = 5,27; CI 95%: 1,28-21,65). Kết luận: Tình trạng suy yếu khá thường gặp, chiếm 36,55% và là một yếu tố nguy cơ đáng kể dẫn đến gia tăng các biến cố bất lợi ở người bệnh cao tuổi mắc hội chứng động mạch vành cấp.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.159 | 0.046 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".